博世
AI智能座舱智能体专家/高级工程师
AI智能座舱智能体专家/高级工程师
发布于 6 个月前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
学历未注明
软件工程
智能座舱
模型微调
系统架构
AI Agent
LLM
RLHF
VLM
复杂任务规划
端云协同
AI 估算 · 35k–60k
AI智能体专家，负责座舱Agent架构，大模型应用前沿，高薪稀缺。
职位详情
关于这个职位
这是一个面向智能座舱领域的AI Agent专家/高级工程师职位
您将负责设计并实现基于大语言模型和多模态模型的智能体系统，使其能够理解复杂指令、调用车载工具并完成跨域任务
核心工作包括技术架构设计、核心能力研发、系统评估部署以及数据闭环构建，旨在为汽车座舱提供拟人化、安全可靠的AI交互体验
最低要求
深刻理解AI Agent的技术原理与架构范式（如ReAct、ToT、AutoGen），并对大语言模型/多模态大模型的原理、局限性及演化有扎实认知
熟练掌握LangChain、LlamaIndex、Semantic Kernel等至少一种主流Agent框架
具备优秀的系统设计能力和算法实现能力
熟练使用Python/C++/Java，具有构建复杂、可维护的Agent系统或相似复杂逻辑系统的经验
熟悉机器学习常用库和模型训练流程
具备大模型微调（Fine-tuning, LoRA等）与对齐（RLHF/DPO）的实战经验，理解如何通过数据与算法优化模型的行为与价值观，有相关项目经验者优先
对智能座舱或相似复杂交互场景（如智能家居、机器人）有深刻理解或浓厚兴趣，具备优秀的场景抽象、问题定义和技术解决方案设计能力
年以上相关领域研发经验
具备出色的逻辑思维、沟通协作能力和技术文档撰写能力
对前沿技术充满热情，有强烈的自驱力和责任心
英语口语流利，具备良好的团队沟通与合作能力，对前沿技术充满热情
工作职责
负责智能座舱AI Agent的技术架构与系统设计 主导设计面向智能座舱复杂交互场景的AI Agent系统架构，定义Agent的认知、规划、执行与学习核心模块
负责技术选型，构建基于大语言模型（LLM）与多模态大模型（VLM）的端云协同Agent框架，确保架构在性能、安全性与可扩展性上满足车规级要求
负责智能座舱AI Agent核心能力的研发与实现 深入研发AI Agent的核心能力栈，包括但不限于：复杂任务规划与分解（基于CoT、ToT、ReAct等范式）、动态工具调用与执行（集成车辆控制、导航、娱乐、车况查询等车载服务API）、多轮对话与上下文管理、长期记忆与个性化适配
确保Agent能够理解模糊指令、处理异常并完成跨域连贯任务
负责智能座舱AI Agent系统的评估、部署与性能调优 建立多维度、可量化的AI Agent评估体系，包括任务成功率、步骤效率、安全合规性及主观体验分
负责将Agent系统部署至座舱计算平台，并针对端侧资源约束进行深度性能优化，保障低延迟、高可靠的实时交互
支持智能座舱AI Agent数据体系的构建与迭代 设计并实施AI Agent全生命周期的数据闭环策略
负责规划与构建高质量的指令数据、多轮对话数据、工具调用轨迹及反思数据的采集、清洗与标注流水线
通过数据驱动的方法，持续分析Agent在真实场景中的性能瓶颈与行为模式，迭代优化提示工程、模型微调与系统策略，为核心能力的提升提供数据基础与评估依据
支持Agent模型层的训练、对齐与优化 协同模型和算法工程师对驱动Agent行为的核心模型层（如规划模型、工具使用模型、反思模型）的训练、微调与对齐
熟练运用参数高效微调（如LoRA）、强化学习对齐（如RLHF、DPO）及过程监督等技术，提升Agent的任务完成率、安全性与拟人化交互体验
跨领域协同开发与量产交付 与产品、交互设计、云端服务、车控底层及测试团队紧密协作，解决跨系统难题，确保AI Agent功能在量产车型中高质量交付
探索前沿Agent技术与座舱场景融合 持续追踪AI Agent前沿技术（如多智能体协作、具身智能、自我进化等），探索其在座舱场景（如车身跨域协同，多乘客协同服务、车路云协同决策、个性化场景生成）的创新应用原型，推动技术预研与产品化落地
优先资格
（优先）具备智能座舱、车载语音助手、机器人或虚拟人等相关产品的AI系统开发经验
（优先）熟悉Android/QNX车载开发环境，了解车控信号、服务调用等车载系统基础知识
（优先）具备端侧模型部署与优化（如模型量化、剪枝）经验，理解边缘计算约束
（优先）在复杂任务规划、工具学习、多智能体系统等Agent高级方向有研究或项目实践经验
AI 洞察
优缺点分析
优点
- 技术前沿性：直接参与AI Agent与大模型在汽车座舱这一高价值场景的落地，技术栈先进，积累的经验极具竞争力
- 行业平台优势：博世作为全球顶级汽车零部件供应商，提供稳定的业务场景、行业资源和量产机会，平台背书力强
- 技能复合度高：工作涉及架构、算法、工程、数据全链条，能全面提升系统设计、模型优化和跨领域协同的综合能力
- 职业发展清晰：处于汽车智能化的核心赛道，职业前景广阔，既有深度技术钻研空间，也有向管理或产品拓展的可能性
缺点 / 挑战
- 技术复杂度高：需同时精通AI Agent理论、大模型技术、车载系统及性能优化，技术门槛高，学习压力大
- 跨领域协作挑战：需与产品、设计、底层车控、测试等多团队紧密协作，沟通成本和系统集成难度较高
- 量产交付压力：车规级要求对性能、安全、可靠性有极致标准，在资源约束下实现高质量交付面临较大工程挑战
- 适合对AI和汽车智能化有强烈热情，具备扎实的AI工程能力和系统思维，追求在复杂场景中解决挑战性问题的资深技术人才
角色解读
- 技术路径：可以从AI Agent专家成长为领域架构师或首席科学家，专注于前沿技术（如多智能体协作、具身智能）的研究与创新
- 管理路径：凭借出色的跨团队协作能力，可转向技术管理岗位，如技术经理或项目负责人，负责更大规模的团队和产品线
- 行业路径：在汽车智能化浪潮中，积累的经验可横向拓展至机器人、智能家居等其他AI交互场景，或向产品战略方向转型
- 负责设计并实现智能座舱的AI Agent系统架构，构建基于LLM和VLM的端云协同框架，确保满足车规级性能与安全要求
- 深入研发Agent的核心能力，如复杂任务规划、动态工具调用、多轮对话管理，使其能处理模糊指令和跨域任务
- 建立评估体系，负责系统的部署、性能调优，并构建数据闭环以驱动Agent能力的持续迭代和优化
- 协同跨部门团队，确保AI Agent功能从技术预研到量产车型的高质量交付
- 精通AI Agent架构范式（如ReAct, ToT）和主流框架（如LangChain），并对大模型原理有深刻理解
- 具备优秀的系统设计和算法实现能力，熟练使用Python/C++/Java，并有构建复杂可维护系统的经验
- 拥有大模型微调（如LoRA）与对齐（如RLHF/DPO）的实战经验，能通过数据和算法优化模型行为
- 对智能座舱或类似复杂交互场景有深刻理解，具备场景抽象和解决方案设计能力，以及3年以上相关研发经验
申请策略
- 深入了解博世在智能座舱和汽车电子领域的业务布局及最新产品，在面试中展现你对公司业务方向的认知和兴趣
- 提前思考AI Agent在座舱场景可能面临的具体挑战（如安全、实时性、多模态融合），并准备自己的见解和初步解决方案
- 重点突出与AI Agent、复杂任务规划或工具调用相关的项目经验，详细描述你在其中的架构设计、核心实现和取得的量化成果
- 清晰展示你在大模型微调（Fine-tuning, LoRA）与对齐（RLHF/DPO）方面的实战项目和具体技术选型、优化过程
- 强调任何与智能座舱、车载系统、机器人等复杂交互场景相关的经验，即使非直接经验，也应体现你的场景理解和技术迁移能力
- 在技能部分明确列出Python/C++/Java、主流Agent框架（LangChain等）、以及机器学习库和训练流程的熟练程度
- 若对车载系统（如Android/QNX、车控信号）不熟悉，可提前学习相关基础知识，了解智能座舱的典型架构和约束条件
- 加强对边缘计算和模型优化技术（如量化、剪枝）的理解，这对于满足座舱端侧性能要求至关重要
面试指南
- 对于技术架构或项目经验类问题，建议采用STAR原则（情境、任务、行动、结果）结构化回答，重点突出你的设计决策、技术细节和最终产生的可量化影响
- 对于场景假设或方案设计类问题，应先清晰定义问题边界和约束条件，然后逐步推导你的技术方案，并比较不同选择的优劣，展现系统化思维
- 在回答协作类问题时，除了说明技术解决方案，更应强调沟通方式、冲突处理以及如何推动共识达成，以体现你的软技能和团队合作能力
- 请详细描述你设计或参与过的一个AI Agent系统架构，你是如何考虑模块划分、技术选型以及处理性能和安全性的？
- 请举例说明你在项目中如何应用大模型微调（如LoRA）或对齐技术（如RLHF）来解决具体问题，并遇到了哪些挑战？
- 假设用户给出一个模糊的座舱指令（如'我有点冷，并且想听点音乐'），你的Agent系统会如何规划、分解并调用工具来完成任务？
- 在端侧资源受限的车载环境下，你会采取哪些策略来优化AI Agent的推理延迟和内存占用？
- 请分享一次你与产品、测试或底层团队成功协作解决跨领域技术难题的经历
职位点评
Watch Jobs